一起學爬蟲——如何爬取通過ajax加載數據的網站

目前很多網站都使用ajax技術動態加載數據，和常規的網站不一樣，數據時動態加載的，如果我們使用常規的方法爬取網頁，得到的只是一堆html代碼，沒有任何的數據。

請看下面的代碼：

url = 'https://www.toutiao.com/search/?keyword=美女'
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}

response = requests.get(url,headers=headers)
print(response.text)

上面的代碼是爬取今日頭條的一個網頁，並打印出get方法返回的文本內容如下圖所示，值現在一堆網頁代碼，並沒有相關的頭條新聞信息

內容過多，只截取部分內容，有興趣的朋友可以執行上面的代碼看下效果。

對於使用ajax動態加載數據的網頁要怎么爬取呢？我們先看下近日頭條是如何使用ajax加載數據的。通過chrome的開發者工具來看數據加載過程。

首先打開chrome瀏覽器，打開開發者工具，點擊Network選項，點擊XHR選項，然后輸入網址：https://www.toutiao.com/search/?keyword=美女 ，點擊Preview選項卡，就會看到通過ajax請求返回的數據，Name那一欄就是ajax請求，當鼠標向下滑動時，就會出現多條ajax請求：

通過上圖我們知道ajax請求返回的是json數據，我們繼續分析ajax請求返回的json數據，點擊data展開數據，接着點擊0展開數據，發現有個title字段，內容剛好和網頁的第一條數據匹配，可知這就是我們要爬取的數據。如下所示：

鼠標向下滾動到網頁底部時就會觸發一次ajax請求，下面是三次ajax請求：

https://www.toutiao.com/search_content/?offset=0&format=json&keyword=%E7%BE%8E%E5%A5%B3&autoload=true&count=20&cur_tab=1&from=search_tab&pd=synthesis
https://www.toutiao.com/search_content/?offset=20&format=json&keyword=%E7%BE%8E%E5%A5%B3&autoload=true&count=20&cur_tab=1&from=search_tab&pd=synthesis
https://www.toutiao.com/search_content/?offset=40&format=json&keyword=%E7%BE%8E%E5%A5%B3&autoload=true&count=20&cur_tab=1&from=search_tab&pd=synthesis

觀察每個ajax請求，發現每個ajax請求都有offset,format,keyword,autoload,count,cur_tab,from,pd參數，除了offset參數有變化之外，其他的都不變化。每次ajax請求offset的參數變化規律是0,20,40,60...，可以推測offset是偏移量，count參數是一次ajax請求返回數據的條數。

為了防止爬蟲被封，每次請求時要把請求時都要傳遞請求頭信息，請求頭信息中包含了瀏覽器的信息，如果請求沒有瀏覽器信息，就認為是網絡爬蟲，直接拒絕訪問。request header信息如下：

headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0",
"referer": "https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3",
'x-requested-with': 'XMLHttpRequest'
}

完整代碼如下：

import requests
from urllib.parse import urlencode

def parse_ajax_web(offset):
    url = 'https://www.toutiao.com/search_content/?'
    #請求頭信息
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0",
        "referer": "https://www.toutiao.com/search/",
        'x-requested-with': 'XMLHttpRequest'
    }
    #每個ajax請求要傳遞的參數
    parm = {
        'offset': offset,
        'format': 'json',
        'keyword': '美女',
        'autoload': 'true',
        'count': 20,
        'cur_tab': 1,
        'from': 'search_tab',
        'pd': 'synthesis'
    }
    #構造ajax請求url
    ajax_url = url + urlencode(parm)
    #調用ajax請求
    response = requests.get(ajax_url, headers=headers)
    #ajax請求返回的是json數據，通過調用json()方法得到json數據
    json = response.json()
    data = json.get('data')
    for item in data:
        if item.get('title') is not None:
            print(item.get('title'))

def main():
    #調用ajax的次數，這里調用5次。
    for offset in (range(0,5)):
        parse_ajax_web(offset*20)

if __name__ == '__main__':
    main()

上面是爬取通過ajax請求加載數據網站的例子，如果想要其他的數據，可以動手自己寫，這里只是搭了一個架子，各位可以嘗試將數據寫入到excel或者數據庫中。